Similarity-Based Prediction for Digital Twins: Panel Data, Theory, and Applications

तकनीकी सारांश: डिजिटल ट्विन्स के लिए समानता-आधारित भविष्यवाणी (StaLoP)

समस्या विवरण
यह शोध पत्र अनुक्रमिक पैनल डेटा सेटिंग्स (sequential panel data settings) के भीतर भविष्यवाणी की चुनौती को संबोधित करता है, जो विशेष रूप से डिजिटल ट्विन मॉडलिंग से प्रेरित है जहाँ कंप्यूटर और भौतिक प्रयोग समय के साथ एकत्र किए जाते हैं। इन प्रणालियों में, नए पैनल क्रमिक रूप से आते हैं, और लक्ष्य ऐतिहासिक डेटा ($1, \dots, T$) का उपयोग करके भविष्य के लक्षित पैनल ($T+1$) की प्रतिक्रिया की भविष्यवाणी करना है।

मौजूदा भविष्यवाणी रणनीतियाँ अक्सर सामयिक निकटता (temporal proximity) पर निर्भर करती हैं, यह मानते हुए कि हाल के पैनल सबसे अधिक भविष्य बताने योग्य होते हैं। लेखक तर्क देते हैं कि यह धारणा दो परिदृश्यों में विफल रहती है:

1. जब समान इनपुट-आउटपुट पैटर्न गैर-समीपवर्ती समय पर पुनरावृत्त होते हैं (जैसे, मौसमी या चक्रीय घटनाएँ)।
2. जब हाल के पैनलों में लक्षित पैनल की तुलना में भिन्न स्थानीय इनपुट-आउटपुट व्यवहार होता है।

इसके अतिरिक्त, अंतर्निहित माध्य फलन ($m_t$) अक्सर नॉनपैरामेट्रिक (nonparametric), गतिशील और अज्ञात होते हैं, जो बिना किसी सुचारू लौकिक प्रक्षेपवक्र (smooth temporal trajectory) का पालन किए विकसित होते हैं। वर्तमान विधियाँ (मिश्रित प्रभाव, कारक-आधारित, समय-श्रृंखला, या परिवर्तनशील-गुणांक मॉडल) या तो पैरामीट्रिक संरचनाओं को मानती हैं, या लौकिक क्रम पर निर्भर करती हैं, या सामयिक निकटता को अनदेखा करते हुए प्रासंगिकता भारण (relevance weighting) के साथ नॉनपैरामेट्रिक गतिशील माध्य अनुमान को संयोजित करने में विफल रहती हैं।

कार्यप्रणाली: स्टेट-लोकल प्रेडिक्शन (StaLoP)
लेखक StaLoP का प्रस्ताव करते हैं, जो एक नॉनपैरामेट्रिक डायनेमिक पैनल प्रेडिक्शन फ्रेमवर्क है जो सामयिक निकटता के बजाय लक्ष्य-स्थानीय भविष्य कहने योग्य अनुकूलता (target-local predictive compatibility) के आधार पर प्रासंगिकता निर्धारित करता है। कार्यप्रणाली तीन मुख्य चरणों में चलती है:

1. लक्ष्य-स्थानीय अवस्था प्रतिनिधित्व (Target-Local State Representation):
   विधि एक स्थानीय आधार $\phi(x, x^*)$ का उपयोग करके एक लक्षित इनपुट $x^*$ के पास गतिशील माध्य फलन $m_t(x)$ का प्रतिनिधित्व करती है। प्रत्येक पैनल $t$ के लिए, एक ओरेकल "लक्ष्य-स्थानीय अवस्था वेक्टर" $b_t(x^*)$ को इस प्रकार परिभाषित किया जाता है कि स्थानीय माध्य को $b_t(x^*)^\top \phi(x, x^*)$ द्वारा अनुमानित किया जा सके। पैनलों के बीच विसंगति को इन अवस्था वेक्टर्स के बीच द्विघाती दूरी (quadratic distance) द्वारा वर्णित किया जाता है।

2. अनुभवजन्य विसंगति और प्रासंगिकता भार (Empirical Discrepancy and Relevance Weights):

   • अवस्था अनुमान (State Estimation): प्रत्येक ऐतिहासिक पैनल $t$ (और लक्षित पैनल $T+1$, उसके रिस्पॉन्स को छोड़कर) के लिए, विधि उस पैनल में उपलब्ध डेटा पर एक लोकल लीनियर फिट का उपयोग करके लक्षित-स्थानीय अवस्था वेक्टर $\hat{z}_t(x^*)$ का अनुमान लगाती है।
   • विसंगति स्कोरिंग (Discrepancy Scoring): अनुभवजन्य पैनल विसंगति स्कोर $\theta_t(x^*)$ की गणना पैनल $t$ और लक्षित पैनल $T+1$ के अनुमानित अवस्था वेक्टर्स के बीच भारित वर्ग दूरी (weighted squared distance) के रूप में की जाती है। एक छोटा स्कोर उच्च भविष्य कहने योग्य अनुकूलता को दर्शाता है।
   • भार निर्माण (Weight Construction): इन स्कोर्स को एक एकाग्रता पैरामीटर $\eta$ द्वारा नियंत्रित एक्सपोनेंशियल कर्नेल का उपयोग करके मानकीकृत और रूपांतरित किया जाता है और पैनल-स्तरीय प्रासंगिकता भार $\alpha_t(x^*)$ में बदला जाता है।
   • अंतिम भविष्यवाणी (Final Prediction): अंतिम भविष्यवाणी $\hat{m}_{T+1}(x^*)$ सभी ऐतिहासिक अवलोकनों पर एक भारित लोकल-लीनियर फिट द्वारा प्राप्त की जाती है, जहाँ अवलोकन $(t, i)$ के लिए भार पैनल-स्तरीय प्रासंगिकता भार $\alpha_t(x^*)$ को कोवेरिएट लोकलाइजेशन कर्नेल $K_h(x_{ti} - x^*)$ के साथ जोड़ता है।

3. पैनल चयन (एल्गोरिदम 2):
   विचरण न्यूनीकरण (variance reduction - अधिक डेटा उधार लेना) और ट्रांसफर बायस (transfer bias - असंगत डेटा उधार लेना) के बीच संतुलन बनाने के लिए, विधि एक सामान्यीकृत डिग्री ऑफ फ्रीडम (GDF)-संशोधित मीन स्क्वेयर्ड प्रेडिक्शन एरर (MSPE) मानदंड को कम करके रिटेन किए गए पैनलों की इष्टतम संख्या ($K$) का चयन करती है। यह मानदंड भारित अवशेष हानि (weighted residual loss) को एक आशावाद सुधार शब्द (optimism correction term) के साथ जोड़कर अपेक्षित भविष्यवाणी त्रुटि का अनुमान लगाता है।

सैद्धांतिक योगदान
यह शोध पत्र StaLoP के लिए एक कठोर सैद्धांतिक आधार स्थापित करता है:

• बायस-वैरिएंस अपघटन (Bias–Variance Decomposition): प्रमेय 3.1 एस्टिमेटर का एक कंडीशनल बायस-वैरिएस अपघटन प्रदान करता है। यह स्पष्ट रूप से तीन त्रुटि घटकों की पहचान करता है: स्थानीय सन्निकटन बायस (local approximation bias), ट्रांसफर बायस (पैनलों के बीच माध्य फलन बेमेल होने के कारण), और विचरण (variance)। यह स्पष्ट करता है कि यदि अधिक डेटा उधार लेने से ट्रांसफर बायस बढ़ता है, तो अधिक डेटा उधार लेना हमेशा फायदेमंद नहीं होता है।
• एसिम्प्टोटिक नॉर्मलिटी (Asymptotic Normality): प्रमेय 3.2 सिद्ध करता है कि, स्थानीय सन्निकटन और ट्रांसफर बायस के सुधार के बाद, भविष्यवाणी त्रुटि एसिम्प्टोटिक रूप से सामान्य (asymptotically normal) होती है।
• सिमल्टेनियस प्रेडिक्शन बैंड्स (Simultaneous Prediction Bands): प्रमेय 3.3 पॉइंटवाइज इन्फरेंस को एक लक्षित क्षेत्र पर सिमल्टेनियस कवरेज तक विस्तारित करता है, जो लक्षित माध्य फलन के लिए वैध कॉन्फिडेंस बैंड प्रदान करता है।
• मॉडल सिलेक्शन कंसिस्टेंसी (Model Selection Consistency): प्रमेय 4.2 प्रदर्शित करता है कि प्रस्तावित GDF-संशोधित MSPE मानदंड रिटेन किए गए पैनलों की इष्टतम संख्या को लगातार (consistently) चुनता है।

परिणाम और अनुप्रयोग

• सिमुलेशन: डायनेमिक पैनल डेटा (जहाँ पैटर्न गैर-समीपवर्ती रूप से पुनरावृत्त होते हैं) पर व्यापक सिमुलेशन यह पुष्टि करते हैं कि StaLoP केवल सामयिक निकटता पर निर्भर रहने वाली विधियों से बेहतर प्रदर्शन करता है। अनुभवजन्य परिणाम सैद्धांतिक बायस-वैरिएंस ट्रेड-ऑफ, नॉर्मलिटी और MSPE-आधारित पैनल चयन की प्रभावशीलता का समर्थन करते हैं।
• अनुप्रयोग: शोध पत्र निम्नलिखित में StaLoP की उपयोगिता प्रदर्शित करता है:
  • अनुक्रम भविष्यवाणी (Sequence Prediction): गैर-समीपवर्ती पैटर्न पुनरावृत्ति को संभालना।
  • सिम्युलेटर कैलिब्रेशन (Simulator Calibration): सीमित भौतिक डेटा का उपयोग करके महंगे कंप्यूटर मॉडल को कैलिब्रेट करना।
  • वेरिएबल चयन (Variable Selection): जटिल प्रणालियों में प्रासंगिक भविष्यवक्ताओं की पहचान करना।
  • काउंटी-टू-काउंटी माइग्रेशन फ्लो फोरकास्टिंग: एक विशिष्ट अनुप्रयोग जहाँ हाल का माइग्रेशन डेटा पिछले अवधियों के डेटा की तुलना में कम सूचनात्मक हो सकता है जहाँ आर्थिक या संघर्ष की स्थितियाँ समान थीं।

महत्व और दावे
यह शोध पत्र डिजिटल ट्विन मॉडलिंग के लिए एक नया फ्रेमवर्क प्रदान करने का दावा करता है जो भविष्यवाणी की प्रासंगिकता को समय से अलग करता है। लक्ष्य-स्थानीय भविष्य कहने योग्य अनुकूलता का उपयोग करके, StaLoP सिस्टम को पुराने पैनलों से जानकारी "उधार" लेने की अनुमति देता है यदि उनका स्थानीय इनपुट-आउटपुट व्यवहार हाल के पैनलों की तुलना में वर्तमान लक्ष्य के अधिक अनुकूल है।

लेखक StaLoP को केवल एक भविष्यवाणी उपकरण के रूप में नहीं, बल्कि एक सांख्यिकीय सरोगेट मॉडलिंग फ्रेमवर्क के रूप में प्रस्तुत करते हैं जो जटिल, विकसित होते भौतिक या साइबर-फिजिकल सिस्टम को संभालने में सक्षम है। इसका महत्व एक नॉनपैरामेट्रिक, डायनेमिक दृष्टिकोण प्रदान करने में है जिसमें शामिल है:

1. सामयिक सुगमता (temporal smoothness) को धारणा बनाए बिना प्रासंगिक ऐतिहासिक डेटा की पहचान करने का एक तंत्र।
2. एक सैद्धांतिक औचित्य कि लक्ष्य-स्थानीय उधार लेना कब और क्यों भविष्यवाणी में सुधार करता है।
3. बायस और वेरिएंस के बीच संतुलन बनाने के लिए मॉडल को ट्यून करने हेतु एक व्यावहारिक, डेटा-संचालित मानदंड (GDF-संशोधित MSPE)।

यह कार्य राष्ट्रीय स्तर के डिजिटल ट्विन चर्चाओं में सांख्यिकीय सिद्धांत और अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की आवश्यकता से प्रेरित है, जिसका उद्देश्य शहरी नियोजन से लेकर विनिर्माण तक के क्षेत्रों में डेटा-आधारित निर्णय लेने में सहायता करना है।